【正文】 如圖410 a)所示，Cr和Cb有各自相對(duì)于Y的正態(tài)分布特性。這里的分析方法借鑒了以前江漢大學(xué)數(shù)學(xué)學(xué)院在(Cr,Cb)彩色空間建立的膚色模型[47]，把火焰像點(diǎn)在(Cr,Cb)彩色空間上的分布圖與皮膚色像點(diǎn)在(Cr,Cb)彩色空間上的分布圖做比較，發(fā)現(xiàn)它們的分布圖非常相似[48]，可以認(rèn)為：火焰像點(diǎn)在(Cr,Cb)彩色空間上的分布接近于正態(tài)分布。因此，可以分別用二次曲線擬合和正態(tài)分布求均值和標(biāo)準(zhǔn)差的方法來對(duì)他們進(jìn)行定量分析，以得出一定的分布規(guī)律用來判定[45,46]。~180~255XYZ19~10149~25041~255Lab10~240130~180130~200YCbCr40~220140~19050~130 YCbCr空間分析從以上各彩色空間的分布情況來看，火災(zāi)火焰與其他目標(biāo)物體最具有明顯特征的可以說是在(Y,Z)空間和(Cr,Cb)空間。表41 火焰顏色參數(shù)的取值范圍RGB117~25060~24540~200HSI0176?？梢越y(tǒng)計(jì)出火焰樣本的空間分布圖，并與其它具有火焰顏色的干擾圖像作比較。檢查其分布狀況，得到火焰圖像在每個(gè)顏色基下的顏色特征范圍及在每個(gè)顏色基下的分布圖，以作比較分析（各子空間的選取不重復(fù)，以實(shí)際有物理意義的為優(yōu)先考慮）。(2) {H, S, I} (41)其中， (42)(3) {X, Y, Z} (43)(4) {L, a, b}(318)、式(319)已給出。 各色彩空間比較彩色圖像每個(gè)像素點(diǎn)的顏色通常由紅綠藍(lán)三值加權(quán)合成，其他的彩色基如強(qiáng)度、色調(diào)、飽和度基等可以由紅綠藍(lán)RGB值線性或非線性變換獲得[44]，對(duì)五種特征基進(jìn)行了實(shí)驗(yàn)比較。 火焰的顏色特征經(jīng)過彩色圖像的分割以后，開始著重對(duì)其目標(biāo)進(jìn)行分析以判定其是否為火災(zāi)火焰。這個(gè)階段火焰的圖像特征就更加明顯，不同時(shí)刻火焰的形狀、面積、輻射強(qiáng)度等都在變化?；鹧骖伾植季哂絮r明的特征，但是僅僅采用這樣一種判據(jù)，很難排除其他紅色物體所帶來的干擾，還需要融合其他判據(jù)進(jìn)行火災(zāi)圖像的識(shí)別判斷。同時(shí)，火災(zāi)現(xiàn)場(chǎng)存在各種干擾因素，如陽光、照明燈等都會(huì)影響識(shí)別的結(jié)果。第4章 火焰與煙霧的特征識(shí)別 引言火災(zāi)中的燃燒過程是一個(gè)典型不穩(wěn)定過程。對(duì)于火焰分割，提出了三種分割方法，三種方法針對(duì)不同的情況分別取得了較為理想的效果，而且處理速度快，針對(duì)背景復(fù)雜的情況，分割圖像有時(shí)也會(huì)帶有噪聲，但少量的噪聲對(duì)下一步的特征識(shí)別影響不大。 本章小結(jié)本章首先介紹了利用實(shí)時(shí)背景差分的方法進(jìn)行異常情況的檢測(cè)，當(dāng)發(fā)現(xiàn)有異常情況時(shí)，進(jìn)行下一步的火焰和煙霧的識(shí)別。a) Euclidean 距離 b) Mahalanobis 距離圖38 顏色向量空間中聚合數(shù)據(jù)的兩種方法 a) 原圖像 b) 顏色提取結(jié)果 c) 視覺一致性分割結(jié)果 圖39 煙霧分割的兩種算法的結(jié)果比較 圖39為利用顏色提取和改進(jìn)后的基于視覺一致性的聚類算法的提取結(jié)果。聚類算法的距離度量采取馬氏(Mahalanobis)距離，該方法點(diǎn)的軌跡描述了一個(gè)實(shí)心三維橢球體，它的重要屬性是其主軸取在最大的數(shù)據(jù)擴(kuò)展方向上。該距離稱為馬氏(Mahalanobis)距離。包含在求內(nèi)部及表面的點(diǎn)滿足特定的彩色準(zhǔn)則。z和m之間的歐幾里得(Euclidean)距離由下式給出： (321)其中是參量的范數(shù)，下標(biāo)R、G和B表示向量m和z的RGB分量。令z表示RGB空間的任意點(diǎn)。這種平均色用RGB列向量m來定義。從而檢測(cè)出煙霧區(qū)域。等色空間上的顏色距離與色差是成正比的，該空間中色差定義為： (320)當(dāng)NBS距離小于一定閾值時(shí)，人類視覺認(rèn)為它們是相似的。CIE Lab彩色空間是CIE在1976年提出的，其目的是為了使人所感知的顏色差與此彩色空間中兩種顏色的歐式距離相關(guān)，這也是CIE Lab彩色空間的最大優(yōu)點(diǎn)[43]。 (a) 原圖像 （b）分割結(jié)果圖36 不同季節(jié)的火焰顏色提取結(jié)果 a) 原圖像 b) 煙霧顏色提取并去噪結(jié)果圖37 不同場(chǎng)景下煙霧顏色提取結(jié)果 基于視覺一致性聚類法所謂顏色的視覺一致性，是指顏色空間中相似的顏色在人類看來也是相似的[41]，它有兩個(gè)方面的含義：(1)對(duì)于自然圖像，具有相似顏色的像素點(diǎn)在空間上的分布是連續(xù)的；(2)在顏色空間中顏色的變化是光滑的。與火焰的顏色提取相同，煙霧分割同樣采用中值濾波去噪。 (316)在式(316)中均來源于實(shí)際統(tǒng)計(jì)資料，一般取15~20，分別取80和220。 煙霧分割 顏色提取法顏色是煙霧的圖像信息特征之一，煙霧通常具有幾種特定的顏色，通過顏色檢測(cè)能夠?qū)D像中具有煙霧顏色的區(qū)域提取出來[39]。圖36為利用火焰顏色特征提取方法分割出的火焰再進(jìn)行中值濾波去噪后的結(jié)果。S 的取值范圍為0~1，I 的取值范圍為0~255。像素點(diǎn)的RGB值和HSI值同時(shí)滿足式(315)條件，則判定為火焰像素，其中，H 的取值范圍為0176。盡管不同燃燒情況下的火焰會(huì)呈現(xiàn)不同的顏色，但它常常顯示由紅過渡到黃的顏色[38]。 a) 原圖像 b) 聚類法分割出的火焰區(qū)域 c) 聚類法的分割結(jié)果圖35 不同場(chǎng)景下聚類法火焰分割結(jié)果 顏色提取法在白天光線充足背景較復(fù)雜的情況下，采用火焰顏色特征提取的方法分割火焰圖像。 a) 原圖像 b) 閾值法分割出的火焰區(qū)域 c) 閾值法分割結(jié)果 d) R，G，B直方圖 e) 聚類法分割出的火焰區(qū)域 f) 聚類法的分割結(jié)果圖34 閾值法與聚類法分割結(jié)果比較當(dāng)背景稍微復(fù)雜或有微弱光線時(shí)，閾值法的分割結(jié)果就不理想了，如圖34 c)的閾值法分割出的火焰還包含了大量的背景，因此在這種情況下采用RGB空間中的歐式聚類的方法分割，分割結(jié)果如圖34 f)所示，雖然分割出的火焰中含有少量背景，但對(duì)下一步的判斷影響不大，因此無需進(jìn)一步的去除。(4)如果對(duì)于所有的l, l=1,2,…,k, ，那么算法收斂，并且過程中止。(3) 修改聚類平均值， l=1,2,…,k，把它改成所有采樣的采樣平均值。 ∈ (313)對(duì)于所有的l, l=1,2,…,k,，其中表示一組采樣，這些采樣的聚類中心是。通常收斂于性能指標(biāo)J的局部最小值的K個(gè)平均值算法，由下列步驟給出：(1) 任意選出K個(gè)聚類初始平均值。 假設(shè)是一幅圖像的灰度級(jí)，K均值方法的目的是使性能指標(biāo)達(dá)到最小，性能指標(biāo)為： (312) 其中，表示第 i 次迭代后賦給聚類的一組采樣，表示第個(gè)聚類的平均值。 由于聚類的平均值最初也是未知的，因此，這個(gè)過程可以用一個(gè)迭代過程來完成，即所謂的K個(gè)平均值算法。對(duì)于M維矢量特征來說，分割對(duì)應(yīng)于把M維特征空間分解成K個(gè)區(qū)域。如果考慮把圖像分成K組，那么分割標(biāo)記段，可以是每個(gè)像素上K個(gè)值中的一個(gè)，如 l=1,2,…,k 。 特征空間聚類法聚類法指的是根據(jù)物體的某些屬性把這些物體按類分組[36]。在夜間，背景單一，火焰與背景區(qū)別較明顯，因此采用傳統(tǒng)的灰度閾值法就可以得到理想的效果。極大化的過程就是自動(dòng)確定閾值的過程。和的發(fā)生概率和由式(37)得， (37)(4) 計(jì)算類和的灰度均值和，方差和可分別由式(38)和(39)計(jì)算得出， (38), (39)其中t=0,1,…,L1 a) 原圖像 b) 閾值法分割出的火焰區(qū)域 c) 閾值法分割結(jié)果圖33 不同場(chǎng)景下最大類間方差閾值法分割結(jié)果(5) 計(jì)算類間方差 (310)對(duì)于類間方差來說，和可以分別代表背景和目標(biāo)的中心灰度，要使目標(biāo)和背景得到最好的分割，當(dāng)然希望兩者的差值盡量大，及或盡量大，從而類間方差的值越大。該算法比較簡(jiǎn)單，適用范圍較廣，是一種受到關(guān)注的閾值選取方法。若原圖像f(x,y)在像素點(diǎn)(x,y)處的灰度為，則直方圖均化后的圖像g(x,y)在點(diǎn)(x,y)處的灰度為： (35)圖32 a)是產(chǎn)生火焰的圖31 a)的直方圖均化，并且由圖31 b)和圖32 b)的直方圖可以看出，在直方圖調(diào)整之前，低灰度的比例很大，經(jīng)過直方圖均化后，各灰度等級(jí)的比例更加平衡。為了使圖像清晰，可將圖像的灰度范圍拉開，并且讓灰度頻率較小的灰度級(jí)變大，即讓灰度直方圖在較大的動(dòng)態(tài)范圍內(nèi)趨于一致。事實(shí)證明，通過圖像直方圖修改進(jìn)行圖像增強(qiáng)是一種有效的方法。通常一幅均勻量化的自然圖像的灰度直方圖在低值灰度區(qū)間上頻率較大，這樣的圖像較暗區(qū)域中的細(xì)節(jié)常?？床磺宄?。直方圖雖然不能直接反映出圖像內(nèi)容，但對(duì)它進(jìn)行分析可以得出圖像的一些有用特征，這些特征能反映出圖像的特點(diǎn)。閾值的選取決定了異常情況的檢測(cè)的靈敏度。當(dāng)比和的距離在某一特定的范圍內(nèi)，就可以認(rèn)為它們“相等”。即： (32) (33)上式中分別表示以，為中心的鄰域，N是鄰域中像素點(diǎn)的個(gè)數(shù)。用像素點(diǎn)周圍的其他像素點(diǎn)的特征來表征該像素的特征，有很多優(yōu)勢(shì)，它可以減少噪聲的干擾。在戶外的情況，背景經(jīng)常會(huì)受到光線和風(fēng)等自然因素影響而發(fā)生變化，噪聲和干擾是不可避免的。 (31)F0為背景圖像，系統(tǒng)平常的大多情況屬無火災(zāi)狀態(tài)，只需作差值運(yùn)算粗略判斷有地異常情況，若有異常情況即時(shí)，系統(tǒng)會(huì)再作進(jìn)一步的判斷。減法運(yùn)算主要用于檢測(cè)同一場(chǎng)景的兩幅圖像之間變化。具體采用方法是將兩圖進(jìn)行差值運(yùn)算，然后再來觀察圖像灰度是否發(fā)生變化，也就是當(dāng)前圖像的灰度與參考圖像的背景灰度不同，為了清除背景灰度變化對(duì)圖像判別帶來的干擾，首先對(duì)背景圖像進(jìn)行動(dòng)態(tài)調(diào)整，及時(shí)更新背景圖像，減少背景圖像與當(dāng)前圖像灰度的變化。對(duì)某一攝像頭來說它所攝得的圖像背景應(yīng)該是比較一致的，在大部分時(shí)間里是正常情況，沒有火災(zāi)。 實(shí)時(shí)背景差分背景圖像差分法是傳統(tǒng)目標(biāo)檢測(cè)方法中最直接、最簡(jiǎn)單的一種方法。在火災(zāi)圖像處理中，只有在圖像分割的基礎(chǔ)上才能對(duì)火焰目標(biāo)進(jìn)行參數(shù)測(cè)量和特征提取，使得更高層次的圖像分析和理解成為可能。由于問題的重要性和困難性，從七十年代起圖像分割問題就吸引了很多研究人員為之付出了巨大的努力，但到目前為止還不存在一個(gè)通用的方法，也不存在一個(gè)判斷分割是否成功的客觀標(biāo)準(zhǔn)。本章所討論的圖像分割和圖像濾波是整個(gè)火災(zāi)圖像識(shí)別中的關(guān)鍵技術(shù)，為后面火焰和煙霧圖像的分割提取、圖像去噪和識(shí)別判據(jù)的研究奠定了基礎(chǔ)。 本章小結(jié)本章討論了數(shù)字圖像處理的基本知識(shí)。一般來說，如果窗口選的過大，除噪聲受到抑制外，平均化的效果也較強(qiáng)，但邊緣及細(xì)節(jié)信息易受到損失。因而常常采用十字形中值濾波。總體來講，二維中值濾波比一維中值濾波能夠更好地抑制噪聲。但是對(duì)于一些細(xì)節(jié)多，特別是點(diǎn)、線、尖頂細(xì)節(jié)多的圖像不宜采用中值濾波。中值濾波在一定的條件下可以克服線性濾波如最小均方濾波，均值濾波等帶來的圖像細(xì)節(jié)模糊的缺點(diǎn)，而且對(duì)濾除脈沖干擾及圖像掃描噪聲最為有效。中值濾波的概念很容易推廣到二維，此時(shí)可以利用某種形式的二維窗口。在一維情形下，中值濾波器是一個(gè)含有奇數(shù)個(gè)像素的滑動(dòng)窗口。中值濾波是基于次序統(tǒng)計(jì)完成信號(hào)恢復(fù)的一種典型非線性濾波器，其基本原理是將數(shù)字圖像中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替。 非線性濾波非線性濾波技術(shù)一般利用原始信號(hào)與噪聲信號(hào)特有的統(tǒng)計(jì)特性進(jìn)行去噪，現(xiàn)有的非線性濾波方法有以中值濾波為代表的傳統(tǒng)非線性濾波方法和以形態(tài)濾波為代表的新型濾波方法。圖24所示的是一個(gè) 33 的鄰域：圖24 像素 f (x, y)及其 8 鄰域像素圖24中 f (x, y)表示(x,y)點(diǎn)的實(shí)際灰度，其鄰域平均方法可用下式表示： (23)式(23)中，為點(diǎn)灰度值， 稱為門限，它可以根據(jù)對(duì)誤差容許的程度，選為圖像灰度方差的若干倍，即 ，也可以用實(shí)驗(yàn)的方法，選為總灰度級(jí)的一個(gè)百分?jǐn)?shù)，即： (24)L 為總灰度級(jí)數(shù)，A 為大于零的正數(shù)。比較常用的兩種濾波方法是線性濾波和非線性濾波。圖像優(yōu)化處理的工作主要是對(duì)圖像作幾何校正，包括對(duì)圖像位置的標(biāo)準(zhǔn)化和對(duì)大小的正規(guī)化，例如使圖像根據(jù)處理的要求旋轉(zhuǎn)、放大、縮小等，也包括對(duì)圖像內(nèi)容進(jìn)行各種細(xì)微的處理，如消除噪聲、校正失真、去掉圖像中模糊的成分，恢復(fù)圖像的原來面貌，把圖像變成人眼容易觀察機(jī)器容易處理的圖像，還包括對(duì)圖像的平滑、細(xì)節(jié)的銳化、邊緣的增強(qiáng)處理等操作。 圖像的濾波在獲取數(shù)字圖像的過程中，要經(jīng)過拍攝、掃描等操作環(huán)節(jié)，這些環(huán)節(jié)時(shí)會(huì)受到儀器及周圍環(huán)境等外界因素的影響，使所獲取的數(shù)字圖像的位置和形狀發(fā)生變化，導(dǎo)致圖像失真或者是圖像上含有各種各樣的噪聲。彩色圖像和多(高)光譜圖像可以認(rèn)為是由高維特征描述的圖像，同樣可以使用基于特征空間聚類法的分割技術(shù)。特征空間聚類算法不需要訓(xùn)練樣本，是一種無監(jiān)督的統(tǒng)計(jì)方法，它是通過迭代地執(zhí)行分類算法來提取各類的特征值，其中K均值、模糊C均值等是最常用的分類方法。實(shí)際的圖像分割中，人們不可能具備任何關(guān)于模式的先驗(yàn)知識(shí)，既不知道它的分布，也不知道它該分成多少類，當(dāng)然更不知道各類的參數(shù)。